A equipe do MIT combinou um algoritmo de aprendizado de dados com uma rede neural profunda que usa, por exemplo.
Para tornar os sistemas de inteligência artificial resilientes a dados inconsistentes, os investigadores tentaram implementar defesas de aprendizagem supervisionada.
Tradicionalmente, uma rede neural aprende a se conectarrótulos ou ações específicas com entradas fornecidas. Por exemplo, uma rede neural que recebe milhares de imagens marcadas como gatos, junto com imagens marcadas como casas e cachorros-quentes, deve marcar corretamente a nova imagem como um gato.
Em sistemas robustos de inteligência artificial, aquelesos mesmos métodos de aprendizagem supervisionada podem ser testados com versões parcialmente modificadas da imagem. Se a rede atingir o mesmo rótulo - um gato - há uma grande chance de que a imagem e as alterações ou não sejam de um gato.
Para usar redes neurais em situações críticaspara cenários de segurança, tivemos que descobrir como tomar decisões em tempo real com base nas suposições do pior caso, explicam os autores do artigo.
Por isso, a equipe buscou contar com mais umauma forma de aprendizado de máquina que não requer a vinculação de entradas rotuladas a saídas, mas visa aprimorar certas ações em resposta às entradas. Essa abordagem é comumente usada para ensinar os computadores a jogar xadrez e Go.
Os autores acreditam que o novo algoritmo CARRL pode ajudar os robôs a lidar com segurança com interações imprevisíveis no mundo real.
Consulte Mais informação
Os físicos criaram um análogo de um buraco negro e confirmaram a teoria de Hawking. Para onde isso leva?
Algoritmo descobriu uma nova camada misteriosa dentro da Terra
Por causa do Sol, a atmosfera da Terra perderá todo o oxigênio livre